在PET/CT图像上的3D淋巴瘤细分通过与交叉注意力的多尺度信息融合

科学领域:

• 医学成像分析 医学成像分析
• 在瘤学中使用人工智能
• 放射学和定量成像技术

背景情况:

• 由于复杂的模式,在医学成像中精确细分扩散性大B细胞淋巴瘤 (DLBCL) 病变具有挑战性.
• 传统的细分方法往往缺乏有效的DLBCL划分所需的精度.

研究的目的:

• 开发一种精确的DLBCL3D细分方法,使用18F-氧糖 (18F-FDG) 定子发射断层扫描 (PET) 和计算机断层扫描 (CT) 成像.
• 提高瘤体积量化的准确性,改善DLBCL管理中的临床决策.

主要方法:

• 一个采用编码器-解码器架构的3D细分模型,采用双分支转移窗口变压器,用于从PET和CT提取特征.
• 实施一个多尺度信息融合 (MSIF) 模块,以交叉关注增强功能集成和一个封闭的神经网络来实现模式权重平衡.
• 使用子相似系数 (DSC) 损失的模型优化,随后计算总代谢瘤体积 (TMTV) 和统计分析.

主要成果:

• 该模型在私人数据集 (DSC:0.7512) 和公共自动PET数据集 (DSC:0.7441) 上实现了高细分精度,优于现有方法 (p < 0.05).
• 在模型的TMTV量化和基本真相之间观察到强烈的相关性 (皮尔森r:0.91私人,0.86自动PET).
• 废弃性研究证实了MSIF模块对改善细分业绩的重大贡献.

结论:

• 拟议的自动细分方法有效地利用多模式PET/CT数据进行精确的DLBCL划分.
• 该方法在不同数据集中展示了强大的和可泛化的性能,为临床应用提供了可靠性.
• 这种工具可以帮助临床医生更准确地对瘤进行细分,从而改善DLBCL患者的诊断解释和治疗计划.